Formuler vos premières recommandations de films
Maintenant que vous avez trouvé les films les plus souvent visionnés ensemble, vous pouvez formuler vos premières recommandations!
Même si vous ne tenez compte d'aucune information sur la personne qui regarde et que vous ne connaissez aucun détail sur le film, vous pouvez quand même faire des recommandations pertinentes en examinant quels groupes de films sont visionnés par les mêmes personnes.
Dans cet exercice, vous allez examiner les films souvent regardés par les mêmes personnes qui ont visionné Thor, puis utiliser ces données pour recommander un film à quelqu'un qui vient tout juste de le regarder.
Le DataFrame que vous avez généré à la dernière leçon, combination_counts_df, qui contient le nombre de fois où des films sont visionnés ensemble, a été chargé pour vous.
Cette activité fait partie du cours
Créer des moteurs de recommandation en Python
Instructions de l’exercice
- Triez l'objet
combination_counts_dfdu plus grand au plus petit selon la colonnesize. - Trouvez les nouvelles fréquences de visionnement pour le film
Thoren sous-ensemble de l'objetcombination_counts_dftrié oùmovie_aestThor, assignez-les àthor_dfet tracez les résultats.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
import matplotlib.pyplot as plt
# Sort the counts from highest to lowest
combination_counts_df.____('size', ascending=____, inplace=____)
# Find the movies most frequently watched by people who watched Thor
thor_df = ____[____['movie_a'] ____ 'Thor']
# Plot the results
thor_df.plot.bar(x="movie_b")
plt.show()